CN111144822A - 出库时长确定方法、装置、计算机设备及存储介质 - Google Patents
出库时长确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111144822A CN111144822A CN201911389858.0A CN201911389858A CN111144822A CN 111144822 A CN111144822 A CN 111144822A CN 201911389858 A CN201911389858 A CN 201911389858A CN 111144822 A CN111144822 A CN 111144822A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- order
- sample
- duration
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 description 24
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 235000013594 poultry meat Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种出库时长确定方法、装置、计算机设备及存储介质,属于互联网技术领域。该方法包括:获取目标订单的订单信息,获取仓库标识对应的出库人员的人员数量,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。该方法能够根据目标订单的订单信息和目标物品所在仓库的出库人员的人员数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种出库时长确定方法、装置、计算机设备及存储介质。
背景技术
随着电子商务的快速发展及网上购物的普及,越来越多的用户在网上购买物品,用户对物品的配送速度要求也越来越高。为了满足用户需求,物品提供方需要为用户显示物品的送达时间,并在送达时间前将物品配送至用户。
物品提供方将物品配送至用户的过程,包括物品出库和物品配送两个阶段,送达时间由物品的出库时长和配送时长确定,相关技术中通常会确定物品的配送时长,而无法确定物品的出库时长。因此,如何确定物品的出库时长成为亟待解决的问题。
发明内容
本申请实施例提供了一种出库时长确定方法、装置、计算机设备及存储介质,可以确定物品的出库时长。所述技术方案如下:
一方面,提供了一种出库时长确定方法,所述方法包括:
获取目标订单的订单信息,所述订单信息包括订单属性信息及订单物品信息,所述订单属性信息包括订单生成时间及仓库标识,所述订单物品信息包括目标物品标识,所述仓库标识对应的仓库用于储存所述目标物品标识对应的目标物品;
获取所述仓库标识对应的出库人员的人员数量;
基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长。
可选地,所述获取所述仓库标识对应的出库人员的人员数量,包括:
获取所述仓库标识对应的出库设备的设备数量,将所述设备数量确定为所述人员数量,所述出库设备用于记录所述仓库中的出库物品。
可选地,所述获取所述仓库标识对应的出库设备的设备数量,包括:
获取所述仓库标识对应的每个出库设备在所述订单生成时间之前的预设时长内的操作记录;
获取所述操作记录中包括物品出库记录的出库设备的设备数量。
可选地,所述方法还包括:
获取参考订单的订单数量,所述参考订单的订单属性信息包括所述仓库标识,且所述参考订单的状态为物品未出库状态;
所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长,包括:
基于所述出库时长预测模型,对所述订单信息、所述人员数量和所述订单数量进行处理,确定所述目标物品的出库时长。
可选地,所述基于所述出库时长预测模型,对所述订单信息、所述人员数量和所述订单数量进行处理,确定所述目标物品的出库时长,包括:
根据所述人员数量和所述订单数量,获取所述目标物品的出库周期数,所述出库周期数为不小于所述订单数量与所述人员数量之比的最小正整数;
基于所述出库时长预测模型,对所述订单信息和所述出库周期数进行处理,确定所述目标物品的出库时长。
可选地,所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长之前,所述方法还包括:
获取样本订单的样本订单信息,所述样本订单信息包括样本订单属性信息及样本订单物品信息,所述样本订单属性信息包括样本订单生成时间、样本订单出库时间及样本仓库标识,所述样本订单物品信息包括样本物品标识,所述样本仓库标识对应的仓库用于储存所述样本物品标识对应的样本物品;
根据所述样本订单生成时间,获取所述样本仓库标识对应的出库人员的样本人员数量;
根据所述样本订单信息以及所述样本人员数量,训练所述出库时长预测模型。
可选地,所述根据所述样本订单生成时间,获取所述样本仓库标识对应的出库人员的样本人员数量,包括:
根据所述样本订单生成时间,获取所述样本仓库标识对应的出库设备的样本设备数量,将所述样本设备数量确定为所述样本人员数量。
可选地,所述根据所述样本订单生成时间,获取所述样本仓库标识对应的出库设备的样本设备数量,包括:
获取所述样本仓库标识对应的每个出库设备在所述样本订单生成时间之前的预设时长内的样本操作记录;
获取所述样本操作记录中包括物品出库记录的出库设备的样本设备数量。
可选地,所述方法还包括:
获取样本参考订单的样本订单数量,所述样本参考订单的样本订单属性信息包括所述样本仓库标识,且所述样本参考订单在所述样本订单生成时间的状态为物品未出库状态;
所述根据所述样本订单信息以及所述样本人员数量,训练所述出库时长预测模型,包括:
根据所述样本订单信息、所述样本人员数量及所述样本订单数量,训练所述出库时长预测模型。
可选地,所述根据所述样本订单信息、所述样本人员数量及所述样本订单数量,训练所述出库时长预测模型,包括:
根据所述样本人员数量和所述样本订单数量,确定所述样本物品的样本出库周期数,所述样本出库周期数为不小于所述样本订单数量与所述样本人员数量之比的最小正整数;
根据所述样本订单信息和所述样本出库周期数,训练所述出库时长预测模型。
可选地,所述订单属性信息还包括所述仓库标识对应的仓库地址及所述目标物品的收货地址;所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长之后,所述方法还包括:
基于所述配送时长预测模型,对所述订单信息进行处理,确定所述目标订单的配送时长;
根据所述出库时长和所述配送时长,确定所述目标订单的处理时长。
可选地,所述根据所述出库时长和所述配送时长,确定所述目标订单的处理时长,包括:
将所述出库时长和所述配送时长之和确定为所述目标订单的处理时长;或者,
将所述出库时长、所述配送时长和历史延迟时长之和确定为所述目标订单的处理时长,所述历史延迟时长等于多个历史订单的实际处理时长与预测处理时长之间的时间差的平均值;或者,
将所述出库时长、所述配送时长和订单分配时长之和确定为所述目标订单的处理时长,所述订单分配时长为生成所述目标订单之后,将所述目标订单分配至所述仓库的时长;或者,
将所述出库时长、所述配送时长和取货时长之和确定为所述目标订单的处理时长,所述取货时长为所述配送人员从所述仓库取货的时长。
可选地,所述将所述出库时长、所述配送时长和历史延迟时长之和确定为所述目标订单的处理时长之前,所述方法还包括:
获取所述多个历史订单,确定每个历史订单的实际处理时长与预测处理时长之间的时间差;
将确定的多个时间差划分为至少两个分组,同一分组中的时间差属于同一个时间差范围;
对每个分组中的时间差求取平均值,得到所述每个分组的时间差平均值;
对所述每个分组的时间差平均值求取平均值,得到所述多个历史订单的时间差的平均值,作为所述历史延迟时长。
可选地,所述根据所述出库时长和所述配送时长,确定所述目标订单的处理时长之后,所述方法还包括:
根据所述目标订单的订单生成时间及所述处理时长,确定将所述目标物品配送至所述收货地址的送达时间。
另一方面,提供了一种出库时长确定装置,所述装置包括:
订单信息获取模块,用于获取目标订单的订单信息,所述订单信息包括订单属性信息及订单物品信息,所述订单属性信息包括订单生成时间及仓库标识,所述订单物品信息包括目标物品标识,所述仓库标识对应的仓库用于储存所述目标物品标识对应的目标物品;
人员数量获取模块,用于获取所述仓库标识对应的出库人员的人员数量;
出库时长确定模块,用于基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长。
可选地,所述人员数量获取模块还用于获取所述仓库标识对应的出库设备的设备数量,将所述设备数量确定为所述人员数量,所述出库设备用于记录所述仓库中的出库物品。
可选地,所述人员数量获取模块,包括:
记录获取单元,用于获取所述仓库标识对应的每个出库设备在所述订单生成时间之前的预设时长内的操作记录;
设备数量获取单元,用于获取所述操作记录中包括物品出库记录的出库设备的设备数量。
可选地,所述装置还包括:
订单数量获取模块,用于获取参考订单的订单数量,所述参考订单的订单属性信息包括所述仓库标识,且所述参考订单的状态为物品未出库状态;
所述出库时长确定模块,还用于基于所述出库时长预测模型,对所述订单信息、所述人员数量和所述订单数量进行处理,确定所述目标物品的出库时长。
可选地,所述出库时长确定模块,包括:
周期数获取单元,用于根据所述人员数量和所述订单数量,获取所述目标物品的出库周期数,所述出库周期数为不小于所述订单数量与所述人员数量之比的最小正整数;
出库时长确定单元,用于基于所述出库时长预测模型,对所述订单信息和所述出库周期数进行处理,确定所述目标物品的出库时长。
可选地,所述装置还包括:
样本订单信息获取模块,用于获取样本订单的样本订单信息,所述样本订单信息包括样本订单属性信息及样本订单物品信息,所述样本订单属性信息包括样本订单生成时间、样本订单出库时间及样本仓库标识,所述样本订单物品信息包括样本物品标识,所述样本仓库标识对应的仓库用于储存所述样本物品标识对应的样本物品;
样本人员数量获取模块,用于获取所述样本仓库标识对应的出库人员的样本人员数量;
模型训练模块,用于根据所述样本订单信息以及所述样本人员数量,训练所述出库时长预测模型。
可选地,所述样本人员数量获取模块还用于根据所述样本订单生成时间,获取所述样本仓库标识对应的出库设备的样本设备数量,将所述样本设备数量确定为所述样本人员数量。
可选地,所述样本人员数量获取模块,包括:
样本记录获取单元,用于获取所述样本仓库标识对应的每个出库设备在所述样本订单生成时间之前的预设时长内的样本操作记录;
样本设备数量获取单元,用于获取所述样本操作记录中包括物品出库记录的出库设备的样本设备数量。
可选地,所述装置还包括:
样本订单数量获取模块,用于获取样本参考订单的样本订单数量,所述样本参考订单的样本订单属性信息包括所述样本仓库标识,且所述样本参考订单在所述样本订单生成时间的状态为物品未出库状态;
所述模型训练模块,还用于根据所述样本订单信息、所述样本人员数量及所述样本订单数量,训练所述出库时长预测模型。
可选地,所述模型训练模块,包括:
样本周期数获取单元,用于根据所述样本人员数量和所述样本订单数量,确定所述样本物品的样本出库周期数,所述样本出库周期数为不小于所述样本订单数量与所述样本人员数量之比的最小正整数;
模型训练单元,用于根据所述样本订单信息和所述样本出库周期数,训练所述出库时长预测模型。
可选地,所述订单属性信息还包括所述仓库标识对应的仓库地址及所述目标物品的收货地址;所述装置还包括:
配送时长确定模块,用于基于所述配送时长预测模型,对所述订单信息进行处理,确定所述目标订单的配送时长;
处理时长确定模块,用于根据所述出库时长和所述配送时长,确定所述目标订单的处理时长。
可选地,所述处理时长确定模块,包括:
第一确定单元,用于将所述出库时长和所述配送时长之和确定为所述目标订单的处理时长;或者,
第二确定单元,用于将所述出库时长、所述配送时长和历史延迟时长之和确定为所述目标订单的处理时长,所述历史延迟时长等于多个历史订单的实际处理时长与预测处理时长之间的时间差的平均值;或者,
第三确定单元,用于将所述出库时长、所述配送时长和订单分配时长之和确定为所述目标订单的处理时长,所述订单分配时长为生成所述目标订单之后,将所述目标订单分配至所述仓库的时长;或者,
第四确定单元,用于将所述出库时长、所述配送时长和取货时长之和确定为所述目标订单的处理时长,所述取货时长为所述配送人员从所述仓库取货的时长。
可选地,所述装置还包括:
时间差确定模块,用于获取所述多个历史订单,确定每个历史订单的实际处理时长与预测处理时长之间的时间差;
分组确定模块,用于将确定的多个时间差划分为至少两个分组,同一分组中的时间差属于同一个时间差范围;
延迟时长确定模块,用于对每个分组中的时间差求取平均值,得到所述每个分组的时间差平均值;
所述延迟时长确定模块,还用于对所述每个分组的时间差平均值求取平均值,得到所述多个历史订单的时间差的平均值,作为所述历史延迟时长。
可选地,所述装置还包括:
送达时间确定模块,用于根据所述目标订单的订单生成时间及所述处理时长,确定将所述目标物品配送至所述收货地址的送达时间。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如所述出库时长确定方法中所执行的操作。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如所述出库时长确定方法中所执行的操作。
本申请实施例提供的方法、装置、计算机设备及存储介质,获取目标订单的订单信息,获取仓库标识对应的出库人员的人员数量,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。本申请实施例提供了一种预测出库时长的方法,能够根据目标订单的订单信息和目标物品所在仓库的出库人员的人员数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。
并且,本申请实施例提供的方法,获取样本订单的样本订单信息,根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量,获取样本参考订单的样本订单数量,根据样本订单信息、样本设备数量及样本订单数量,训练出库时长预测模型。本申请实施例提供了一种模型训练方法,能够根据样本订单的样本订单信息和样本物品所在仓库的出库设备的样本设备数量,训练出库时长预测模型,基于该方法训练的出库时长预测模型,能够准确确定目标物品的出库时长,提高了出库时长的准确性。
并且,本申请实施例提供的方法,获取目标订单的订单信息,获取仓库标识对应的出库设备的设备数量,获取参考订单的订单数量,基于出库时长预测模型,对订单信息、设备数量和订单数量进行处理,确定目标物品的出库时长,基于配送时长预测模型,对订单信息进行处理,确定目标订单的配送时长,根据出库时长和配送时长,确定目标订单的处理时长,根据目标订单的订单生成时间及处理时长,确定将目标物品配送至收货地址的送达时间。本申请实施例提供了一种预测出库时长的方法,能够根据目标订单的订单信息和目标物品所在仓库的出库设备的设备数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。并且,基于配送时长预测模型,准确确定目标物品的配送时长,从而能够确定目标物品的送达时间,提高了确定的送达时间的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种出库时长确定方法的流程图。
图2是本申请实施例提供的一种出库时长预测模型训练方法的流程图。
图3是本申请实施例提供的一种出库时长确定方法的流程图。
图4是本申请实施例提供的一种处理时长的示意图。
图5是本申请实施例提供的一种模型训练及使用的示意图。
图6是本申请实施例提供的一种出库时长确定装置的结构示意图。
图7是本申请实施例提供的一种出库时长确定装置的结构示意图。
图8是本申请实施例提供的一种终端的结构示意图。
图9是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种出库时长确定方法的流程图。应用于计算机设备中,参见图1,该方法包括:
在步骤101中,获取目标订单的订单信息,订单信息包括订单属性信息及订单物品信息,订单属性信息包括订单生成时间及仓库标识,订单物品信息包括目标物品标识,仓库标识对应的仓库用于储存目标物品标识对应的目标物品。
在步骤102中,获取仓库标识对应的出库人员的人员数量。
在步骤103中,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。
本申请实施例提供的方法,获取目标订单的订单信息,获取仓库标识对应的出库人员的人员数量,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。本申请实施例提供了一种预测出库时长的方法,能够根据目标订单的订单信息和目标物品所在仓库的出库人员的人员数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。
在一种可能实现方式中,获取仓库标识对应的出库人员的人员数量,包括:
获取仓库标识对应的出库设备的设备数量,将设备数量确定为人员数量,出库设备用于记录仓库中的出库物品。
在一种可能实现方式中,获取仓库标识对应的出库设备的设备数量,包括:
获取仓库标识对应的每个出库设备在订单生成时间之前的预设时长内的操作记录;
获取操作记录中包括物品出库记录的出库设备的设备数量。
在一种可能实现方式中,方法还包括:
获取参考订单的订单数量,参考订单的订单属性信息包括仓库标识,且参考订单的状态为物品未出库状态;
基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长,包括:
基于出库时长预测模型,对订单信息、人员数量和订单数量进行处理,确定目标物品的出库时长。
在一种可能实现方式中,基于出库时长预测模型,对订单信息、人员数量和订单数量进行处理,确定目标物品的出库时长,包括:
根据人员数量和订单数量,获取目标物品的出库周期数,出库周期数为不小于订单数量与人员数量之比的最小正整数;
基于出库时长预测模型,对订单信息和出库周期数进行处理,确定目标物品的出库时长。
在一种可能实现方式中,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长之前,方法还包括:
获取样本订单的样本订单信息,样本订单信息包括样本订单属性信息及样本订单物品信息,样本订单属性信息包括样本订单生成时间、样本订单出库时间及样本仓库标识,样本订单物品信息包括样本物品标识,样本仓库标识对应的仓库用于储存样本物品标识对应的样本物品;
根据样本订单生成时间,获取样本仓库标识对应的出库人员的样本人员数量;
根据样本订单信息以及样本人员数量,训练出库时长预测模型。
在一种可能实现方式中,根据样本订单生成时间,获取样本仓库标识对应的出库人员的样本人员数量,包括:
根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量,将样本设备数量确定为样本人员数量。
在一种可能实现方式中,根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量,包括:
获取样本仓库标识对应的每个出库设备在样本订单生成时间之前的预设时长内的样本操作记录;
获取样本操作记录中包括物品出库记录的出库设备的样本设备数量。
在一种可能实现方式中,方法还包括:
获取样本参考订单的样本订单数量,样本参考订单的样本订单属性信息包括样本仓库标识,且样本参考订单在样本订单生成时间的状态为物品未出库状态;
根据样本订单信息以及样本人员数量,训练出库时长预测模型,包括:
根据样本订单信息、样本人员数量及样本订单数量,训练出库时长预测模型。
在一种可能实现方式中,根据样本订单信息、样本人员数量及样本订单数量,训练出库时长预测模型,包括:
根据样本人员数量和样本订单数量,确定样本物品的样本出库周期数,样本出库周期数为不小于样本订单数量与样本人员数量之比的最小正整数;
根据样本订单信息和样本出库周期数,训练出库时长预测模型。
在一种可能实现方式中,订单属性信息还包括仓库标识对应的仓库地址及目标物品的收货地址;基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长之后,方法还包括:
基于配送时长预测模型,对订单信息进行处理,确定目标订单的配送时长;
根据出库时长和配送时长,确定目标订单的处理时长。
在一种可能实现方式中,根据出库时长和配送时长,确定目标订单的处理时长,包括:
将出库时长和配送时长之和确定为目标订单的处理时长;或者,
将出库时长、配送时长和历史延迟时长之和确定为目标订单的处理时长,历史延迟时长等于多个历史订单的实际处理时长与预测处理时长之间的时间差的平均值;或者,
将出库时长、配送时长和订单分配时长之和确定为目标订单的处理时长,订单分配时长为生成目标订单之后,将目标订单分配至仓库的时长;或者,
将出库时长、配送时长和取货时长之和确定为目标订单的处理时长,取货时长为配送人员从仓库取货的时长。
在一种可能实现方式中,将出库时长、配送时长和历史延迟时长之和确定为目标订单的处理时长之前,方法还包括:
获取多个历史订单,确定每个历史订单的实际处理时长与预测处理时长之间的时间差;
将确定的多个时间差划分为至少两个分组,同一分组中的时间差属于同一个时间差范围;
对每个分组中的时间差求取平均值,得到每个分组的时间差平均值;
对每个分组的时间差平均值求取平均值,得到多个历史订单的时间差的平均值,作为历史延迟时长。
在一种可能实现方式中,根据出库时长和配送时长,确定目标订单的处理时长之后,方法还包括:
根据目标订单的订单生成时间及处理时长,确定将目标物品配送至收货地址的送达时间。
随着电商行业的蓬勃发展,时下涌现出了生鲜电商平台。生鲜电商平台不但可为用户供应全品类的生鲜物品,比如水果蔬菜、海鲜肉禽、牛奶零食等等,而且还能够及时地将用户购买的生鲜物品配送到用户手中。
目前,生鲜电商平台采用前置仓模式,前置仓也称为微仓,在用户下单后,用户购买的物品会从附近的前置仓发货,前置仓设置在距离用户较近的地方,可以设置在附近社区或商圈,保证用户下单后较短的时间内即可配送上门,保证产品品质和配送速度。
本申请实施例中,用户在网络上购买物品,用户下单时,计算机设备会根据用户的收货地址,确定距离该用户最近的一个前置仓,由该前置仓对用户下单的物品进行出库,配送人员从该前置仓取货,为用户配送物品。本申请实施例提供了一种出库时长确定方法,对于任一目标订单,基于出库时长预测模型,对目标订单的订单信息、出库人员数量进行处理,确定目标物品的出库时长。
由于本申请实施例提供的出库时长确定方法,是基于已训练的出库时长预测模型实现的,因此,先通过下述实施例对出库时长预测模型的训练过程进行说明。
图2是本申请实施例提供的一种出库时长预测模型训练方法的流程图,应用于计算机设备中,计算机设备可以是终端,也可以是服务器。参见图2,该方法包括:
201、计算机设备获取样本订单的样本订单信息。
本申请实施例中,计算机设备可以为终端,也可以为服务器。其中,终端可以是手机、电脑、平板电脑等,服务器可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。
本申请实施例中,当计算机设备为终端时,用户基于用户标识登录该终端,终端为用户显示可购买的物品,用户选择物品下单,当终端检测到用户点击提交订单按钮的操作时,为用户生成订单,向用户显示该订单。终端可以将生成的订单发送给服务器,由服务器针对该订单进行后续处理。
或者,计算机设备为服务器时,服务器接收到终端发送的订单生成请求,服务器根据该订单生成请求,生成对应的订单,将订单发送给终端,由终端向用户显示该订单。
其中,订单的订单信息包括订单属性信息及订单物品信息。
在一种可能实现方式中,订单属性信息包括订单生成时间、订单出库时间及仓库标识。
其中,仓库标识为储存物品的仓库的仓库标识,该仓库可以为前置仓或者其他类型的仓库;订单生成时间是指用户下单之后,计算机设备为用户生成订单的时间;订单出库时间是指仓库标识对应的仓库对订单中的物品进行出库的时间。并且,计算机设备可以根据订单生成时间和订单出库时间,可以确定订单的出库时长。
可选地,订单属性信息还可以包括订单标识,该订单标识可以为订单编号或者其他唯一表示该订单的标识。
在一种可能实现方式中,订单物品信息包括物品标识,仓库标识对应的仓库用于储存物品标识对应的物品。其中,物品标识用于表示用户购买的物品。
可选地,订单物品信息还可以包括物品总数量、每个品类的物品数量、储存物品的仓库中剩余的物品总数量以及SKU(Stock Keeping Unit,库存量单位)数目。
本申请实施例中,计算机设备可以获取存储的历史订单的历史订单信息,作为样本订单的样本订单信息,训练出库时长预测模型。
在一种可能实现方式中,计算机设备获取样本订单的样本订单信息之后,可以对样本订单信息进行处理,根据处理后的样本订单信息训练出库时长预测模型。
在一种可能实现方式中,计算机设备可以获取多个样本订单的样本订单信息,后续根据该多个样本订单的样本订单信息进行训练。其中,该多个样本订单可以是同一仓库对应的样本订单,也可以是不同仓库对应的样本订单。
可选地,计算机设备对样本订单信息进行处理时,可以对样本出库时长进行数据过滤,即将样本出库时长中超出取值范围的样本出库时长对应的样本订单去除。并且,由于每个仓库的出库时长可能会存在较大的差别,可以分别对每个仓库的样本出库时长进行数据过滤。
例如,对于一个仓库来说,求取该仓库对应的多个样本出库时长的平均值μ和方差δ,根据平均值μ和方差δ,确定该仓库对应的出库时长的取值范围为(μ-2δ,μ+2δ),将在该范围之外的样本出库时长去除,采用剩余的样本出库时长对应的样本订单训练出库时长预测模型。
在一种可能实现方式中,计算机设备可以获取预设时长内的历史订单,作为样本订单。该预设时长可以为7天、10天、30天或者其他时长。
202、计算机设备根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量。
本申请实施例中,计算机设备根据订单生成时间,获取仓库标识对应的出库人员的人员数量,根据人员数量,训练出库时长预测模型。由于出库人员需要通过出库设备进行操作,对物品进行出库,因此,本申请实施例中,将出库设备的设备数量确定为人员数量,以出库设备的设备数量为例进行说明。在另一实施例中,还可以根据实际的应用场景,根据门禁***记录、人力排班***数据等表征人员数量,训练出库时长预测模型。
其中,出库设备用于记录仓库标识对应的仓库中的出库物品。每个出库设备有唯一对应的设备标识,由于设备标识与仓库标识之间有映射关系,可以根据该映射关系确定出库设备所属的仓库,该设备标识可以为设备编号、设备名称或者其他标识。该出库设备可以为PDA(Personal Digital Assistant,掌上电脑)设备或者其他设备。
该出库设备可以根据执行的操作生成操作记录,该操作记录可以包括物品出库记录。物品出库记录中可以包括物品的物品标识、出库时间等信息。
例如,每个物品有对应的条形码,出库设备对物品进行出库时,出库设备扫描该物品的条形码,表示该物品已经出库,出库设备对应的生成一条该物品已出库的物品出库记录。
另外,操作记录中还可以包括登录记录等其他出库设备的使用记录。
在一种可能实现方式中,获取样本设备数量时,计算机设备获取仓库标识对应的每个出库设备在样本订单生成时间之前的预设时长内的样本操作记录,获取样本操作记录中包括物品出库记录的出库设备的样本设备数量。
其中,预设时长可以为任一时长,该预设时长可以为5分钟、10分钟、20分钟或者其他时长。
可选地,如果一个出库设备的操作记录中包括一条物品出库记录,那么就可以认为该出库设备正在被使用,获取样本设备数量时会考虑该出库设备。
例如,预设时长为10分钟,那么可以获取出库设备在样本订单生成时间之前的10分钟内的样本操作记录,如果获取的样本操作记录中包括物品出库记录,那么认为该出库设备正在被使用。
另外,计算机设备可以存储每个出库设备的操作记录,根据样本订单生成时间,从存储的操作记录中,获取在该样本生成时间之前的预设时长内的样本操作记录,从而获取样本设备数量。
203、计算机设备获取样本参考订单的样本订单数量。
本申请实施例中,计算机设备获取订单的排队位置,即获取订单生成时间在样本订单生成时间之前、订单状态为物品未出库状态的订单,作为样本参考订单。其中,订单状态可以包括未分配至仓库状态、物品未出库状态、物品已出库状态、物品已出库正在配送状态等。
可选地,参考订单可以包括即时订单和预约订单两种类型的订单。
其中,即时订单是指在用户下单之后,仓库接收到用户的订单时,需要立即进行处理的订单;预约订单是指用户在下单时,要求了订单的送达时间,仓库在接收到用户的订单时,不需要对订单立即进行处理,只需要在用户要求的送达时间送达即可。
本申请实施例中,在训练出库时长预测模型时,还会考虑样本参考订单的样本订单数量,使预测的出库时长更加准确。
其中,样本参考订单的样本订单属性信息包括样本仓库标识,该样本仓库标识用于确定样本参考订单与样本订单为同一仓库对应的订单。且样本参考订单在样本订单生成时间的状态为物品未出库状态,在对样本订单进行出库之前需要先对样本参考订单进行出库。
可选地,计算机设备获取样本参考订单的样本订单数量时,可以只获取样本即时订单,将样本即时订单的数量作为样本订单数量;也可以获取样本即时订单和样本预约订单,将样本即时订单的数量和样本预约订单的数量之和作为样本订单数量。
在一种可能实现方式中,获取预设时长内的样本参考订单的样本订单数量,该预设时长可以为1小时、30分钟、10分钟或者其他时长。
需要说明的是,本申请实施例仅是以先执行步骤202,再执行步骤203为例进行说明,在另一实施例中,可以先执行步骤203、再执行步骤202,本申请实施例对步骤执行的先后顺序不做限制。
204、计算机设备根据样本订单信息、样本设备数量及样本订单数量,训练出库时长预测模型。
计算机设备将样本订单信息中除样本出库时间之外的其他信息,以及样本设备数量,输入至出库时长预测模型,将样本出库时长作为输出,训练出库时长预测模型。通过训练出库时长预测模型,使出库时长预测模型学习到根据订单信息、设备数量和订单数量,确定出库时长的能力。
在一种可能实现方式中,获取到样本订单信息之后,需要对样本订单信息进行处理,得到对应的特征值,根据特征值来训练出库时长预测模型。
可选地,计算机设备可以对样本订单信息中包括的样本订单生成时间、样本订单出库时间、样本仓库标识等信息进行编码,得到对应的特征值,后续根据该特征值训练出库时长预测模型。其中,编码方式可以为独热编码或者其他编码方式。
在一种可能实现方式中,计算机设备根据样本设备数量和样本订单数量,确定样本物品的样本出库周期数,根据样本订单信息和样本出库周期数,训练出库时长预测模型。
其中,样本出库周期数为不小于样本订单数量与样本设备数量之比的最小正整数。
例如,样本设备数量为10,订单数量为23,样本订单为第23个,每个样本设备一次只能对一个订单进行出库,那么一个出库周期可以有10个订单的物品出库,那么可以确定样本物品的样本出库周期数为3,即样本物品从样本订单生成时间开始,需要在第3个出库周期才可以进行出库。
在一种可能实现方式中,该出库时长预测模型为回归模型,该回归模型可以为提升树模型、梯度提升树模型或者其他任一回归模型。
另外,在训练出库时长预测模型时,可以采用XGBoost框架(eXtreme GradientBoosting,极端梯度提升框架)、LightGBM框架(Light Gradient Boosting Machine,分布式梯度提升框架)或者CatBoost框架(Categorical Features+Gradient Boosting,一种深度学习框架)对出库时长预测模型进行训练。
在一种可能实现方式中,计算机设备对出库时长预测模型训练完成之后,可以存储该出库时长预测模型,后续可以获取存储的出库时长预测模型,确定任一订单的出库时长。
需要说明的一点是,本申请实施例仅是以计算机设备获取出库设备的样本设备数量,作为出库人员的样本人员数量为例进行说明,在另一实施例中,计算机设备可以不获取样本设备数量,采用其他方式确定样本人员数量,根据样本订单信息、样本人员数量和样本订单数量,对出库时长预测模型进行训练。或者,不执行步骤203,根据样本订单信息和样本人员数量,对出库时长预测模型进行训练。
需要说明的另一点是,本申请实施例仅是以计算机设备获取样本参考订单的样本订单数量为例进行说明,在另一实施例中,计算机设备可以不执行步骤203,仅执行步骤201和步骤202,根据样本订单信息和样本设备数量,对出库时长预测模型进行训练。
本申请实施例提供的方法,计算机设备获取样本订单的样本订单信息,根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量,获取样本参考订单的样本订单数量,根据样本订单信息、样本设备数量及样本订单数量,训练出库时长预测模型。本申请实施例提供了一种模型训练方法,能够根据样本订单的样本订单信息和样本物品所在仓库的出库设备的样本设备数量,训练出库时长预测模型,基于该方法训练的出库时长预测模型,能够准确确定目标物品的出库时长,提高了出库时长的准确性。
并且,还根据样本订单数量对出库时长预测模型进行训练,考虑了其他样本参考订单对样本订单的样本出库时长的影响,使训练得到的出库时长预测模型更加准确。
并且,本申请实施例中的出库时长预测模型,是根据多个仓库的样本订单信息和样本设备数量,进行训练得到的。因此,该出库时长预测模型可以应用于任一仓库,具有通用性。
图3是本申请实施例提供的一种出库时长确定方法的流程图,应用于计算机设备中,计算机设备可以是终端,也可以是服务器。参见图3,该方法包括:
301、计算机设备获取目标订单的订单信息。
其中,订单信息包括订单属性信息及订单物品信息,订单属性信息包括订单生成时间及仓库标识,订单物品信息包括目标物品标识,仓库标识对应的仓库用于储存目标物品标识对应的目标物品。
本申请实施例中,除订单属性信息不包括订单出库时间之外,计算机设备获取目标订单的其他订单信息的实施方式与上述实施例中步骤201的实施方式类似,在此不再赘述。
302、计算机设备获取仓库标识对应的出库设备的设备数量。
其中,出库设备用于记录仓库中的出库物品。
在一种可能实现方式中,获取仓库标识对应的每个出库设备在订单生成时间之前的预设时长内的操作记录,获取操作记录中包括物品出库记录的出库设备的设备数量。
计算机设备获取出库设备的设备数量的实施方式与上述实施例步骤202中的实施方式类似,在此不再赘述。
303、计算机设备获取参考订单的订单数量。
其中,参考订单的订单属性信息包括仓库标识,且参考订单的状态为物品未出库状态。
计算机设备获取参考订单的订单数量的实施方式与上述实施例中步骤203的实施方式类似,区别仅在于,当前时刻获取的参考订单是指在当前时刻的、订单状态为物品未出库状态的订单,而样本参考订单是指在样本订单生成时间的、订单状态为物品未出库状态的订单,本申请实施例对步骤303不再赘述。
304、计算机设备基于出库时长预测模型,对订单信息、设备数量和订单数量进行处理,确定目标物品的出库时长。
本申请实施例中,出库时长预测模型已训练完成,计算机设备存储该出库时长预测模型。需要确定目标物品的出库时长时,计算机设备可以获取已经存储的出库时长预测模型。其中,该出库时长预测模型可以通过上述步骤201-步骤204训练得到,或者也可以采用其他方式训练得到。
在一种可能实现方式中,计算机设备根据设备数量和订单数量,获取目标物品的出库周期数,基于出库时长预测模型,对订单信息和出库周期数进行处理,确定目标物品的出库时长。其中,出库周期数为不小于订单数量与设备数量之比的最小正整数。
需要说明的一点是,本申请实施例仅是以计算机设备将设备数量确定为人员数量,基于出库时长预测模型,对订单信息、设备数量和订单数量进行处理为例进行说明,在另一实施例中,计算机设备可以不执行步骤302,采用其他方式获取人员数量,基于出库时长预测模型,对订单信息、人员数量和订单数量进行处理,确定目标物品的出库时长。或者,也不执行步骤303,基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。
需要说明的另一点是,本申请实施例仅是以计算机设备基于出库时长预测模型,对订单信息、设备数量和订单数量进行处理为例进行说明,在另一实施例中,计算机设备可以不执行步骤303,仅执行步骤301和步骤302,基于出库时长预测模型,对订单信息和设备数量进行处理,确定目标物品的出库时长。
305、计算机设备基于配送时长预测模型,对订单信息进行处理,确定目标订单的配送时长。
本申请实施例中,计算机设备基于出库时长预测模型,确定出库时长之后,还可以采用ETA(Estimated Time of Arrival,送达时间预估)确定配送时长,从而确定目标订单的处理时长。其中,可以基于配送时长预测模型,确定配送时长。
计算机设备获取配送时长预测模型,该配送时长预测模型可以是计算机设备训练并存储的,该配送时长预测模型可以是采用任意方式训练得到的,本申请实施例对配送时长预测模型的训练方式不做限定。
其中,订单属性信息包括仓库标识对应的仓库地址及目标物品的收货地址。配送时长预测模型根据仓库地址及收货地址,确定目标订单的配送时长。
在一种可能实现方式中,计算机设备还可以基于配送时长预测模型,对订单信息、天气信息、交通信息、配送人员的车速等信息进行处理,确定目标订单的配送时长。
306、计算机设备根据出库时长和配送时长,确定目标订单的处理时长。
本申请实施例中,计算机设备确定出库时长和配送时长之后,可以根据出库时长和配送时长来确定目标订单的处理时长。
在一种可能实现方式中,计算机设备将出库时长和配送时长之和确定为目标订单的处理时长。
在另一种可能实现方式中,考虑到在处理历史订单时,对订单延迟送达的情况,计算机设备还可以获取历史延迟时长,将出库时长、配送时长和历史延迟时长之和确定为目标订单的处理时长。其中,历史延迟时长等于多个历史订单的实际处理时长与预测处理时长之间的时间差的平均值。
可选地,计算机设备可以采用分桶统计获取历史延时时长,步骤如下:
1、获取多个历史订单,确定每个历史订单的实际处理时长与预测处理时长之间的时间差。
2、将确定的多个时间差划分为至少两个分组,同一分组中的时间差属于同一个时间差范围。其中,每个分组中至少包括一个时间差。
3、对每个分组中的时间差求取平均值,得到每个分组的时间差平均值。
4、对每个分组的时间差平均值求取平均值,得到多个历史订单的时间差的平均值,作为历史延迟时长。
例如,计算机设备获取到20个历史订单的时间差,假设这20个订单中5个订单的时间差在1-5分钟这一范围,7个订单在5-10分钟这一范围,8个订单的时间差在10-15分钟这一范围,那么根据这三个范围将20个时间差分为三个分组,获取每个分组中的时间差平均值,假设1-5分钟这一分组的时间差平均值为2.4分钟、5-10分钟这一分组的时间差平均值为8.1分钟、10-15分钟这一分组的时间差平均值为12分钟,那么可以得到这20个历史订单的时间差为(2.4+8.1+12)/3,得到历史延迟时长为7.5分钟。
可选地,计算机设备获取历史延迟时长时,考虑到每个仓库对订单的处理时长的不同,可以分别获取每个仓库对应的历史订单,分别统计每个仓库的历史订单的历史延迟时长,确定目标订单的处理时长时,根据目标订单所属的仓库,将该仓库对应的历史延迟时长与出库时长、配送时长之和作为处理时长。
可选地,获取到第一延迟时长之后,根据该第一延迟时长所属的分桶配置策略,设置第二延迟时长,将第二延迟时长作为历史延迟时长。其中,该第二延迟时长大于第一延迟时长。分桶配置策略是指每个获取到的第一延迟时长有一个对应的第二延迟时长。
例如,获取到的第一延迟时长为3分钟,分桶配置策略是将第一延迟时长加上5分钟之后得到的第二延迟时长,那么可以确定历史延迟时长为8分钟。
可选地,计算机设备可以获取多个历史订单的实际出库时长与预测出库时长之间的时间差的平均值,作为历史出库延迟时长;获取多个历史订单的实际配送时长与预测配送时长之间的时间差的平均值,作为历史配送延迟时长。从而将历史出库延迟时长和历史配送延迟时长之和,作为历史延迟时长。其中,历史出库延迟时长的和历史配送延迟时长的获取方式与历史延迟时长的获取方式类似。
在另一种可能实现方式中,参见图4,订单的处理时长除包括出库时长和配送时长之外,还包括订单分配时长和取货时长。
其中,订单分配时长是指计算机设备生成目标订单之后,将目标订单分配给对应的仓库的时间;取货时长是指仓库对目标物品进行出库之后,配送人员对目标物品的取货时长,即仓库对目标物品出库之后,可能还有其他物品还未出库,配送人员会等到其他物品出库之后,对目标物品和其他物品一起进行配送,配送人员的等待时间即为取货时间。
因此,可选地,将出库时长、配送时长和订单分配时长之和确定为目标订单的处理时长。
可选地,将出库时长、配送时长和取货时长之和确定为目标订单的处理时长。
可选地,将出库时长、配送时长、订单分配时长和取货时长之和确定为目标订单的处理时长。
可选地,还可以将订单分配时长、出库时长、取货时长、配送时长和历史延迟时长之和确定为目标订单的处理时长。
307、计算机设备根据目标订单的订单生成时间及处理时长,确定将目标物品配送至收货地址的送达时间。
计算机设备在目标订单的订单生成时间的基础上,增加处理时长,将得到的时间确定为目标物品的送达时间。
在一种可能实现方式中,用户在终端对目标物品下单之后,终端采用本申请实施例中的方法,确定目标物品的送达时间,向用户显示该送达时间。或者,终端确定目标物品的送达时间之后,终端根据该送达时间,确定在该送达时间之后的预设数量个时间段,且该预设数量个时间段的时间间隔相同,终端向用户显示该预设数量个时间段,用户可以选择送达的时间段,配送人员需要将目标物品在用户选择的时间段内配送至用户。
或者,用户在终端对目标物品下单之后,终端将订单发送给服务器,由服务器采用本申请实施例中的方法,确定目标物品的送达时间,服务器将送达时间发送给终端,终端向用户显示接收到的送达时间。或者,服务器确定送达时间之后,确定预设数量个时间段,将该预设数量个时间段发送给终端,终端向用户显示接收到的预设数量个时间段,供用户选择。
本申请实施例提供的方法,计算机设备获取目标订单的订单信息,获取仓库标识对应的出库设备的设备数量,获取参考订单的订单数量,基于出库时长预测模型,对订单信息、设备数量和订单数量进行处理,确定目标物品的出库时长,基于配送时长预测模型,对订单信息进行处理,确定目标订单的配送时长,根据出库时长和配送时长,确定目标订单的处理时长,根据目标订单的订单生成时间及处理时长,确定将目标物品配送至收货地址的送达时间。本申请实施例提供了一种预测出库时长的方法,能够根据目标订单的订单信息和目标物品所在仓库的出库设备的设备数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。并且,基于配送时长预测模型,准确确定目标物品的配送时长,从而能够确定目标物品的送达时间,提高了确定的送达时间的准确性。
并且,本申请实施例中,确定出库时长、配送时长以及处理时长,对于物品提供方来说,实现了对仓库的产能预估,提高物品配送时的履约率,还可以将订单的处理时长反作用于订单时间维度分布,即根据订单处理时长,调整仓库对订单的处理情况,促进仓库的产能平衡和仓配一体化。
例如,仓库接收到多个订单,根据本申请实施例提供的方法,确定了该多个订单的处理时长,假设该多个订单的处理时长比较接近,之后可以将该多个订单的订单时长反作用于仓库对订单的处理过程,仓库根据订单时长可以对出库人员的数量或者出库设备的数量进行调整,以使该多个订单均可以在较短的时间内配送至用户。
另外,对于用户来说,为用户确定一个准确的送达时间,使用户可以根据该送达时间,在该送达时间前后等待物品送达,而不需要从下单之后一直等待物品送达,提升了用户体验。
另外,参见图5,对于出库时长预测模型,训练和使用出库时长预测模型时,包括样本数据预处理、模型训练、模型评估及模型使用四个阶段。
对于样本数据预处理阶段,计算机设备首先获取样本数据,该样本数据包括上述实施例中的样本订单信息、样本设备数量、样本订单数量等数据;然后对样本数据进行处理,包括对样本数据的数据过滤、噪声处理、数据分析、特征提取、转换特征、组合特征生成等处理;将处理得到的一部分样本数据作为训练数据,添加至训练数据集,剩余的一部分样本数据作为测试数据,添加至测试数据集。
对于模型训练阶段,根据得到的训练数据集,对出库时长预测模型进行训练。
对于模型评估阶段,根据得到的测试数据集,对训练的出库时长预测模型进行评估,将基于出库时长预测模型得到的预测出库时长与测试数据中的实际出库时长进行比较,得到预测出库时长与实际出库时长之间的差异,根据该差异对出库时长预测模型的各项参数进行调整。
对于模型使用阶段,基于训练得到的出库时长预测模型,对目标订单的订单信息、设备数量、订单数量等数据进行处理,确定出库时长,以及根据配送时长预测模型,确定配送时长,进而确定送达时间。
图6是本申请实施例提供的一种出库时长确定装置的结构示意图。参见图6,该装置包括:
订单信息获取模块601,用于获取目标订单的订单信息,订单信息包括订单属性信息及订单物品信息,订单属性信息包括订单生成时间及仓库标识,订单物品信息包括目标物品标识,仓库标识对应的仓库用于储存目标物品标识对应的目标物品;
人员数量获取模块602,用于获取仓库标识对应的出库人员的人员数量;
出库时长确定模块603,用于基于出库时长预测模型,对订单信息和人员数量进行处理,确定目标物品的出库时长。
在一种可能实现方式中,人员数量获取模块602还用于获取仓库标识对应的出库设备的设备数量,将设备数量确定为人员数量,出库设备用于记录仓库中的出库物品。
在一种可能实现方式中,参见图7,人员数量获取模块602,包括:
记录获取单元6021,用于获取仓库标识对应的每个出库设备在订单生成时间之前的预设时长内的操作记录;
设备数量获取单元6022,用于获取操作记录中包括物品出库记录的出库设备的设备数量。
在一种可能实现方式中,参见图7,该装置还包括:
订单数量获取模块604,用于获取参考订单的订单数量,参考订单的订单属性信息包括仓库标识,且参考订单的状态为物品未出库状态;
出库时长确定模块603,还用于基于出库时长预测模型,对订单信息、人员数量和订单数量进行处理,确定目标物品的出库时长。
在一种可能实现方式中,参见图7,出库时长确定模块603,包括:
周期数获取单元6031,用于根据人员数量和订单数量,获取目标物品的出库周期数,出库周期数为不小于订单数量与人员数量之比的最小正整数;
出库时长确定单元6032,用于基于出库时长预测模型,对订单信息和出库周期数进行处理,确定目标物品的出库时长。
在一种可能实现方式中,参见图7,该装置还包括:
样本订单信息获取模块605,用于获取样本订单的样本订单信息,样本订单信息包括样本订单属性信息及样本订单物品信息,样本订单属性信息包括样本订单生成时间、样本订单出库时间及样本仓库标识,样本订单物品信息包括样本物品标识,样本仓库标识对应的仓库用于储存样本物品标识对应的样本物品;
样本人员数量获取模块606,用于根据样本订单生成时间,获取样本仓库标识对应的出库人员的样本人员数量;
模型训练模块607,用于根据样本订单信息以及样本人员数量,训练出库时长预测模型。
在一种可能实现方式中,参见图7,样本人员数量获取模块606还用于根据样本订单生成时间,获取样本仓库标识对应的出库设备的样本设备数量,将样本设备数量确定为样本人员数量。
在一种可能实现方式中,参见图7,样本人员数量获取模块606,包括:
样本记录获取单元6061,用于获取样本仓库标识对应的每个出库设备在样本订单生成时间之前的预设时长内的样本操作记录;
样本设备数量获取单元6062,用于获取样本操作记录中包括物品出库记录的出库设备的样本设备数量。
在一种可能实现方式中,参见图7,该装置还包括:
样本订单数量获取模块608,用于获取样本参考订单的样本订单数量,样本参考订单的样本订单属性信息包括样本仓库标识,且样本参考订单在样本订单生成时间的状态为物品未出库状态;
模型训练模块607,还用于根据样本订单信息、样本人员数量及样本订单数量,训练出库时长预测模型。
在一种可能实现方式中,模型训练模块607,包括:
样本周期数获取单元6071,用于根据样本人员数量和样本订单数量,确定样本物品的样本出库周期数,样本出库周期数为不小于样本订单数量与样本人员数量之比的最小正整数;
模型训练单元6072,用于根据样本订单信息和样本出库周期数,训练出库时长预测模型。
在一种可能实现方式中,订单属性信息还包括仓库标识对应的仓库地址及目标物品的收货地址;参见图7,该装置还包括:
配送时长确定模块609,用于基于配送时长预测模型,对订单信息进行处理,确定目标订单的配送时长;
处理时长确定模块610,用于根据出库时长和配送时长,确定目标订单的处理时长。
在一种可能实现方式中,参见图7,处理时长确定模块610,包括:
第一确定单元6101,用于将出库时长和配送时长之和确定为目标订单的处理时长;或者,
第二确定单元6102,用于将出库时长、配送时长和历史延迟时长之和确定为目标订单的处理时长,历史延迟时长等于多个历史订单的实际处理时长与预测处理时长之间的时间差的平均值;或者,
第三确定单元6103,用于将出库时长、配送时长和订单分配时长之和确定为目标订单的处理时长,订单分配时长为生成目标订单之后,将目标订单分配至仓库的时长;或者,
第四确定单元6104,用于将出库时长、配送时长和取货时长之和确定为目标订单的处理时长,取货时长为配送人员从仓库取货的时长。
在一种可能实现方式中,参见图7,该装置还包括:
时间差确定模块611,用于获取多个历史订单,确定每个历史订单的实际处理时长与预测处理时长之间的时间差;
分组确定模块612,用于将确定的多个时间差划分为至少两个分组,同一分组中的时间差属于同一个时间差范围;
延迟时长确定模块613,用于对每个分组中的时间差求取平均值,得到每个分组的时间差平均值;
延迟时长确定模块613,还用于对每个分组的时间差平均值求取平均值,得到多个历史订单的时间差的平均值,作为历史延迟时长。
在一种可能实现方式中,参见图7,该装置还包括:
送达时间确定模块614,用于根据目标订单的订单生成时间及处理时长,确定将目标物品配送至收货地址的送达时间。
本申请实施例提供的装置,能够根据目标订单的订单信息和目标物品所在仓库的出库人员的人员数量,基于出库时长预测模型,准确确定目标物品的出库时长,提高了出库时长的准确性。
需要说明的是:上述实施例提供的出库时长确定装置在确定出库时长时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的出库时长确定装置与出库时长确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图8示出了本申请一个示例性实施例提供的终端800的结构示意图。
通常,终端800包括有:处理器801和存储器802。
处理器801可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以在集成有GPU(Graphics Processing Unit,图像处理的交互器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所具有以实现本申请中方法实施例提供的出库时长确定方法。
在一些实施例中,终端800还可选包括有:***设备接口803和至少一个***设备。处理器801、存储器802和***设备接口803之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口803相连。具体地,***设备包括:射频电路804、触摸显示屏805、摄像头806、音频电路807、定位组件808和电源809中的至少一种。
***设备接口803可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器801和存储器802。在一些实施例中,处理器801、存储器802和***设备接口803被集成在同一芯片或电路板上;在一些其他实施例中,处理器801、存储器802和***设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路804包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及8G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路804还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏805用于显示UI(UserInterface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时,显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时,显示屏805还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏805可以为一个,设置终端800的前面板;在另一些实施例中,显示屏805可以为至少两个,分别设置在终端800的不同表面或呈折叠设计;在再一些实施例中,显示屏805可以是柔性显示屏,设置在终端800的弯曲表面上或折叠面上。甚至,显示屏805还可以设置成非矩形的不规则图形,也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地,摄像头组件806包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端800的前面板,后置摄像头设置在终端800的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器801进行处理,或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路807还可以包括耳机插孔。
定位组件808用于定位终端800的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于:加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号,控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于应用或者用户的运动数据的采集。
陀螺仪传感器812可以检测终端800的机体方向及转动角度,陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、应用控制以及惯性导航。
压力传感器813可以设置在终端800的侧边框和/或触摸显示屏805的下层。当压力传感器813设置在终端800的侧边框时,可以检测用户对终端800的握持信号,由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在触摸显示屏805的下层时,由处理器801根据用户对触摸显示屏805的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹,由处理器801根据指纹传感器1414采集到的指纹识别用户的身份,或者,由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器801授权该用户具有相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时,指纹传感器814可以与物理按键或厂商标志集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中,处理器801可以根据光学传感器815采集的环境光强度,控制触摸显示屏805的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏805的显示亮度;当环境光强度较低时,调低触摸显示屏805的显示亮度。在另一个实施例中,处理器801还可以根据光学传感器815采集的环境光强度,动态调整摄像头组件806的拍摄参数。
接近传感器816,也称距离传感器,通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中,当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时,由处理器801控制触摸显示屏805从亮屏状态切换为息屏状态;当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时,由处理器801控制触摸显示屏805从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图8中示出的结构并不构成对终端800的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图9是本申请实施例提供的一种服务器的结构示意图,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)901和一个或一个以上的存储器902,其中,存储器902中存储有至少一条指令,该至少一条指令由处理器901加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器900可以用于执行上述出库时长确定方法中计算机设备所执行的步骤。
本申请实施例还提供了一种用于确定出库时长的计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的出库时长确定方法中所执行的操作。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的出库时长确定方法中所执行的操作。
本申请实施例还提供了一种计算机程序,该计算机程序中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的出库时长确定方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种出库时长确定方法,其特征在于,所述方法包括:
获取目标订单的订单信息,所述订单信息包括订单属性信息及订单物品信息,所述订单属性信息包括订单生成时间及仓库标识,所述订单物品信息包括目标物品标识,所述仓库标识对应的仓库用于储存所述目标物品标识对应的目标物品;
获取所述仓库标识对应的出库人员的人员数量;
基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长。
2.根据权利要求1所述的方法,其特征在于,所述获取所述仓库标识对应的出库人员的人员数量,包括:
获取所述仓库标识对应的出库设备的设备数量,将所述设备数量确定为所述人员数量,所述出库设备用于记录所述仓库中的出库物品。
3.根据权利要求2所述的方法,其特征在于,所述获取所述仓库标识对应的出库设备的设备数量,包括:
获取所述仓库标识对应的每个出库设备在所述订单生成时间之前的预设时长内的操作记录;
获取所述操作记录中包括物品出库记录的出库设备的设备数量。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取参考订单的订单数量,所述参考订单的订单属性信息包括所述仓库标识,且所述参考订单的状态为物品未出库状态;
所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长,包括:
基于所述出库时长预测模型,对所述订单信息、所述人员数量和所述订单数量进行处理,确定所述目标物品的出库时长。
5.根据权利要求4所述的方法,其特征在于,所述基于所述出库时长预测模型,对所述订单信息、所述人员数量和所述订单数量进行处理,确定所述目标物品的出库时长,包括:
根据所述人员数量和所述订单数量,获取所述目标物品的出库周期数,所述出库周期数为不小于所述订单数量与所述人员数量之比的最小正整数;
基于所述出库时长预测模型,对所述订单信息和所述出库周期数进行处理,确定所述目标物品的出库时长。
6.根据权利要求1所述的方法,其特征在于,所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长之前,所述方法还包括:
获取样本订单的样本订单信息,所述样本订单信息包括样本订单属性信息及样本订单物品信息,所述样本订单属性信息包括样本订单生成时间、样本订单出库时间及样本仓库标识,所述样本订单物品信息包括样本物品标识,所述样本仓库标识对应的仓库用于储存所述样本物品标识对应的样本物品;
根据所述样本订单生成时间,获取所述样本仓库标识对应的出库人员的样本人员数量;
根据所述样本订单信息以及所述样本人员数量,训练所述出库时长预测模型。
7.根据权利要求1所述的方法,其特征在于,所述订单属性信息还包括所述仓库标识对应的仓库地址及所述目标物品的收货地址;所述基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长之后,所述方法还包括:
基于所述配送时长预测模型,对所述订单信息进行处理,确定所述目标订单的配送时长;
根据所述出库时长和所述配送时长,确定所述目标订单的处理时长。
8.一种出库时长确定装置,其特征在于,所述装置包括:
订单信息获取模块,用于获取目标订单的订单信息,所述订单信息包括订单属性信息及订单物品信息,所述订单属性信息包括订单生成时间及仓库标识,所述订单物品信息包括目标物品标识,所述仓库标识对应的仓库用于储存所述目标物品标识对应的目标物品;
人员数量获取模块,用于获取所述仓库标识对应的出库人员的人员数量;
出库时长确定模块,用于基于出库时长预测模型,对所述订单信息和所述人员数量进行处理,确定所述目标物品的出库时长。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至7任一权利要求所述的出库时长确定方法中所执行的操作。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至7任一权利要求所述的出库时长确定方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389858.0A CN111144822A (zh) | 2019-12-30 | 2019-12-30 | 出库时长确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389858.0A CN111144822A (zh) | 2019-12-30 | 2019-12-30 | 出库时长确定方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144822A true CN111144822A (zh) | 2020-05-12 |
Family
ID=70521613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389858.0A Pending CN111144822A (zh) | 2019-12-30 | 2019-12-30 | 出库时长确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144822A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200143319A1 (en) * | 2018-11-01 | 2020-05-07 | Walmart Apollo, Llc | Systems and methods for determining delivery time and route assignments |
CN111612398A (zh) * | 2020-05-21 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 仓库配货方法、装置、计算机设备及存储介质 |
CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
CN112884408A (zh) * | 2021-02-20 | 2021-06-01 | 北京每日优鲜电子商务有限公司 | 物品出库方法、装置、电子设备和计算机可读介质 |
CN113762844A (zh) * | 2020-10-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 确定物品上架时间的方法和装置 |
CN113762838A (zh) * | 2020-09-11 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种时效确定方法、装置、服务端及存储介质 |
CN114330797A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 配送时长预测方法、装置、存储介质和电子设备 |
CN115009744A (zh) * | 2022-06-23 | 2022-09-06 | 上海壹佰米网络科技有限公司 | 一种前置仓货物出仓时长预估方法及装置 |
US11922343B2 (en) | 2018-01-19 | 2024-03-05 | Walmart Apollo, Llc | Systems and methods for combinatorial resource optimization |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876080A (zh) * | 2017-05-16 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN109552795A (zh) * | 2017-09-26 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 货物出库方法和装置以及计算机可读存储介质 |
CN109816283A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 用于确定物品出库时间的方法和装置 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
CN110378546A (zh) * | 2018-08-09 | 2019-10-25 | 北京京东振世信息技术有限公司 | 用于生成信息的方法和装置 |
-
2019
- 2019-12-30 CN CN201911389858.0A patent/CN111144822A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876080A (zh) * | 2017-05-16 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 信息处理方法和装置 |
CN109552795A (zh) * | 2017-09-26 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 货物出库方法和装置以及计算机可读存储介质 |
CN109816283A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 用于确定物品出库时间的方法和装置 |
CN110378546A (zh) * | 2018-08-09 | 2019-10-25 | 北京京东振世信息技术有限公司 | 用于生成信息的方法和装置 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN110119847A (zh) * | 2019-05-14 | 2019-08-13 | 拉扎斯网络科技(上海)有限公司 | 一种配送时长的预测方法、装置、存储介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
崔忠,等, 中国财富出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922343B2 (en) | 2018-01-19 | 2024-03-05 | Walmart Apollo, Llc | Systems and methods for combinatorial resource optimization |
US20200143319A1 (en) * | 2018-11-01 | 2020-05-07 | Walmart Apollo, Llc | Systems and methods for determining delivery time and route assignments |
US11615368B2 (en) * | 2018-11-01 | 2023-03-28 | Walmart Apollo, Llc | Systems and methods for determining delivery time and route assignments |
CN111612398A (zh) * | 2020-05-21 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 仓库配货方法、装置、计算机设备及存储介质 |
CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
CN111898889B (zh) * | 2020-07-17 | 2021-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
CN113762838A (zh) * | 2020-09-11 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种时效确定方法、装置、服务端及存储介质 |
CN114330797A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 配送时长预测方法、装置、存储介质和电子设备 |
CN113762844A (zh) * | 2020-10-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 确定物品上架时间的方法和装置 |
CN112884408A (zh) * | 2021-02-20 | 2021-06-01 | 北京每日优鲜电子商务有限公司 | 物品出库方法、装置、电子设备和计算机可读介质 |
CN115009744A (zh) * | 2022-06-23 | 2022-09-06 | 上海壹佰米网络科技有限公司 | 一种前置仓货物出仓时长预估方法及装置 |
CN115009744B (zh) * | 2022-06-23 | 2024-06-04 | 上海壹佰米网络科技有限公司 | 一种前置仓货物出仓时长预估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144822A (zh) | 出库时长确定方法、装置、计算机设备及存储介质 | |
CN111479120A (zh) | 在直播间发放虚拟红包的方法、装置、设备及存储介质 | |
CN111080207A (zh) | 订单处理方法、装置、设备及存储介质 | |
CN111311155A (zh) | 修改配送位置的方法、装置、***、设备以及存储介质 | |
CN111275532A (zh) | 商品过期预警方法、装置、计算机设备及存储介质 | |
CN111028071A (zh) | 账单处理方法、装置、电子设备及存储介质 | |
CN111612398A (zh) | 仓库配货方法、装置、计算机设备及存储介质 | |
CN112131473B (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN111159551A (zh) | 用户生成内容的显示方法、装置及计算机设备 | |
CN113434589B (zh) | 配送路线的显示方法、装置、设备及计算机可读存储介质 | |
CN116011939A (zh) | 项目招标***、方法、设备及存储介质 | |
CN112613772A (zh) | 信息推送方法、装置、设备及存储介质 | |
CN113051494A (zh) | 信息展示方法、装置、电子设备及存储介质 | |
CN114723372B (zh) | 物品存放方法、装置、设备及存储介质 | |
CN111242338B (zh) | 卡片获取方法、装置、终端及存储介质 | |
CN113469590B (zh) | 提货时段分配方法、装置、设备和存储介质 | |
CN110519378B (zh) | 确定目标对象的方法、装置、服务器及存储介质 | |
CN111490979B (zh) | 信息交互方法、装置及存储介质 | |
CN115545591A (zh) | 配送路径规划方法、装置、设备及存储介质 | |
CN113554492A (zh) | 订单处理方法、装置、设备及计算机可读存储介质 | |
CN115439036A (zh) | 物资运输方法、装置、设备及计算机可读存储介质 | |
CN114926250A (zh) | 订单处理方法、装置、设备及计算机可读存储介质 | |
CN115293839A (zh) | 订单分配方法、装置、设备及计算机可读存储介质 | |
CN115375053A (zh) | 订单分配方法、装置、设备及计算机可读存储介质 | |
CN115293686A (zh) | 配送范围的确定方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |